工业AI在流程制造中如何真正落地（从控制论到最优控制）上篇
来源：边界思维 | 发布时间：2026-06-30
摘要：流程制造的工业AI落地并非把大模型搬进工厂，而是要承接70年最优控制理论存量，形成“认知层LLM+执行层学习型最优控制”的双世系对接：前者做工艺问答、根因分析与操作建议翻译，后者以机理+数据的混合模型为基础，在MPC/RL框架下完成闭环控制，且SIS安全仪表系统永远是AI不可触碰的独立硬保护层。当前全球头部厂商已收敛到同一结构——LLM止步于顾问/副驾层，真正进环的是强化学习与时序基础模型，纯数据驱动方案因不可外推、难认证被排除在控制环外；落地需遵循六层架构，优先补软测量、显式约束与高保真仿真，才能跳出“试点炼狱”，在连续、不可试错的装置上实现可信优化。
导读（上篇）
过去三年，大模型以惊人的速度改变了软件、内容、知识管理和办公协作。它能写代码、生成报告、总结文档、回答专业问题。当这套能力被搬到工厂里，离散制造给出的答案我们已经在前一篇文章里写清楚——大模型不进控制环，走的是 LLM + 工业本体 + 约束求解 + 工作流编排 + 人在环这条路；它的角色是认知与沟通的增强，而不是动手的执行者。
到了流程制造，问题的性质发生了结构性变化。流程行业的对象是连续介质，状态是温度、压力、流量、组分、液位、能耗这样的连续变量；过程动力学是带强耦合、强非线性、显著时滞、且大量关键变量根本无法在线测量的微分方程系统；一台反应器、一座精馏塔、一条乙烯裂解炉，连续运行数月数年，不能停、不能试、一步走错代价无界。在这样的工厂里，”AI 能做什么”和”AI 应该被允许做什么”是两个完全不同的问题。
更不容忽视的是：在流程行业，全球最前沿的工程实践正在做一件离散世界绝不允许的事——让 AI 进入控制环本身。横河电机的强化学习算法 FKDPP 已经在 ENEOS Materials 一座蒸馏塔上连续 35 天自主控制；中控技术把时序大模型 TPT 与自家控制系统 UCS 焊在一起，提出”工业具身智能”；AspenTech 把深度学习嵌入 DMC3 自适应先进控制器，让 LLM 退守到 AVA 顾问层；华为盘古预测大模型在海螺水泥、宝武高炉、中铝坤安做软测量与寻优。”分层收敛”的格局已经成形：生成式 AI 居顾问层，进入控制环的智能是强化学习、深度学习预测控制、时序基础模型这样的”学习型最优控制”，而不是 LLM。
这一篇要回答三个问题。
第一，流程制造为什么是”另一种难”，而且这种难在”让 AI 可信进入闭环”这把尺子上比离散制造更高一档？
第二，全球七家代表性厂商（横河、AspenTech / Emerson、Honeywell、Schneider / AVEVA、Siemens、中控、华为）的路线，到底在做什么样的分工，又收敛到了什么共同结构？
第三，流程行业的工业 AI 落地，真正需要的架构、标准、治理边界是什么？
文章脊梁是一条范式弧线：从离散篇的”约束智能”，走到流程篇的”动力学智能”。背后的理论世系也再深一层——从维纳的反馈控制论，走到 Bellman / Pontryagin 的最优控制，再到 MPC 和近似动态规划。这条 70 年的数学世系是大模型并不在其中的另一条独立世系；流程行业真正的工业 AI 成熟，将是这两条平行世系在认知层与执行层的对接。
一句话先放在这里：离散问的是”落子怎么不违规”，流程问的是”落子怎么不爆炸”。
一、信息压缩 vs 动力系统：流程世界的核心不是符号决策，而是连续动力学
大模型的本质，是对自然语言信息的极强压缩与概率重建。它把一段文本的前缀映射到下一个最可能的 token，本质上是在做一个高维空间里的条件概率拟合。这件事在文档、对话、代码、知识检索的场景里效果卓越，因为这些任务的对象就是文本本身，统计相关性足以撑起绝大多数有用的回答。但当我们把这套能力搬到工业现场，需要问一个更朴素的问题：工厂里的”对象”，跟文本是同一类东西吗？
离散世界给出的答案是”部分是”。一座离散工厂可以被相当干净地建模为一张图——节点是设备、工单、物料、刀具、工序、人员、订单这些可命名、可计数、可追踪的离散对象；边是它们之间的工艺路线、资源约束、时间窗、产能上下限。整个排产、质量、维护、库存的决策问题，是一个巨大的组合优化问题：在 NP-hard 的搜索空间里寻找可行且优良的解。大模型在这个世界里能做有限但有用的事——把文本化的工单语义对齐到本体里去、用自然语言查询历史故障树、解释 APS 输出的排产为什么这样做——但它不会被允许去动控制环，也不需要去动；离散制造的”动手”主要发生在 PLC、机器人、AGV 这些已经成熟工程化的执行层。
流程世界的答案是”几乎不是”。一座炼油厂、化工厂、化肥厂、烯烃厂、电解铝厂、水泥厂的核心对象，不是离散名实体，而是连续物理场：反应器内的组分浓度分布、精馏塔内的气液相平衡、裂解炉的温度梯度、高炉的渣铁界面、聚合釜的分子量分布。这些对象的动力学，是热力学定律 + 反应动力学 + 传质传热 + 流动方程联立组成的微分方程系统，严格写出来就是 ẋ = f(x, u, d, θ)：状态 x 在控制 u 与扰动 d 作用下，按机理函数 f 在时间上演化。它有强耦合（一个温度变化通过传热级联到全装置）、强非线性（反应速率对温度往往是指数关系）、显著时滞（管道流动需要时间、反应需要时间、化验回路滞后数小时）、部分可观（组分、转化率、分子量分布、炉内温度场大量无法在线测量）。在这种系统里，统计相关性远远不够；真正决定一台反应器下一秒走向稳态还是飞温的，是机理本身。
图 1 · 离散世界（对象+关系+状态）与流程世界（状态空间+动力学）的对照
把这两件事并排放在一起，就能看到大模型与流程动力学之间的量级差距。压缩一段文本，本质是在一个语义平滑的高维流形上做插值；逼近ẋ = f(x, u, d, θ) 并以此做闭环决策，本质是要在一个由物理定律刻画的、有不可绕过的硬约束、且每一步都有真实物理后果的动力系统里做受控演化。前者错了，最多生成一段拗口的回答；后者错了，可能让一台反应器的温度走出可控区间、产物指标飞出规格、甚至触发联锁、引发更严重的物理后果。这不是模型能力的程度差异，是任务对象的范畴差异。
也正因为是范畴差异，仅靠”把大模型做得更大”并不能跨越这道坎。一些时序基础模型试图通过对工业历史数据做大规模预训练，让模型直接学到设备行为的动力学规律——这是有意义的方向，但需要清醒地看到它仍然是统计相关性的学习，而不是因果机制的学习。给定历史上从未出现过的扰动组合或工况切换，纯数据驱动的模型外推性能立刻崩塌；这正是中控技术在发布 TPT 2 时反复强调”深度契合流程工业第一性原理的可信模型”的工程动机，也是 AspenTech 把混合模型（机理 + 数据 + AI）而不是纯数据模型作为产业架构的根本原因。
流程行业的工业 AI 不在”更大的语言模型”里，而在”机理与数据如何耦合、AI 如何在机理护栏内提升认知与决策能力”里。
为了让后续讨论有个共同坐标，本文把工业 AI 面对的对象划分成四类世界——信息世界、组合世界、动力世界、安全世界。大模型住在信息世界；离散制造的决策层主要在组合世界；流程行业的核心战场是动力世界；而所有这些之上还有一个不可触碰的安全世界（IEC 61511、LOPA、SIS、SIL 决定的功能安全层）。后面的章节会反复回到这张四类世界的坐标系。
图 2 · 工业 AI 面对的四类世界：信息、组合、动力、安全
二、控制论再进一层：从反馈到最优控制
如果说离散篇结尾把工业智能的归宿落在了维纳的控制论上，那么流程篇必须再往深里走一层。原因很简单：维纳 1948 年《Cybernetics》给出的反馈与目的性概念是奠基性的，但它是定性的、概念的、未量化的；而流程行业里真正在装置上跑了几十年的”先进控制 APC、模型预测控制 MPC、实时优化 RTO”——这些工业 AI 必须与之共处的存量基线——背后的数学语言，是从维纳之后又走了几步的另一个理论分支：最优控制。
最优控制的两块奠基石几乎与控制论同时代。第一块是 Bellman 在 1957 年提出的动态规划与最优性原理。它的内核是一个递归方程 V(x) = min_u { L(x, u) + V(f(x, u)) }：在任何状态 x，做最优决策的代价等于”当前一步的代价加上跳到下一状态后从那里继续最优的代价”。这个看似平淡的递归，把”任意时间长度上的最优决策”问题分解成了一系列单步问题，第一次让有限计算能力可以原则上去逼近最优控制。第二块是 Pontryagin 在 1962 年的最大值原理，它从变分法的视角给出了带约束最优控制的必要条件，引入了”协态变量”——这是后来所有约束最优化算法的祖宗。Bellman 与 Pontryagin 一起，把控制问题从”反馈让系统稳定”的命题，提升到”在目标函数与约束下选择最优轨迹”的命题。
差不多同时，Kalman 在 1960 年发表了他后来以姓氏命名的滤波器。它的工程意义在流程行业格外重大——大多数流程对象是部分可观的（关键变量不可在线测量），最优控制必须建立在最优状态估计之上。今天流程行业里铺天盖地的”软测量（soft sensor）”，无论是基于经验回归、还是基于机理模型、还是基于深度学习，方法论上都是 Kalman 滤波这条线的后裔：用可测量量加上系统的动力学结构，对不可测的内部状态做最小方差估计。AspenTech 的 inferentials、横河的动态仿真型软测量、华为盘古做的”炉内温度估计”，本质都是这条线的不同代际产物。
这套最优控制 + 最优估计的数学，在 1970 年代末开始走向工程化。Cutler 与 Ramaker 在 Shell 内部发展、1980 年正式发表的 Dynamic Matrix Control（DMC），以及法国 Richalet 1978 年发表的 Identification and Command（IDCOM），都是约束最优控制的工程实现：在每个采样周期，基于装置的线性辨识模型，对未来若干步的控制变量做约束最优化，下一步只下发第一步动作，循环往复——这就是 Model Predictive Control，MPC。它在 1980-90 年代被埃克森美孚、雪佛龙、巴斯夫这些公司在催化裂化、加氢、乙烯等装置上大规模铺开，到了 2000 年代已经成为流程行业先进控制的事实标准。AspenTech 的 DMCplus / DMC3、Honeywell 的 Profit Controller、横河的 SMOC、ABB 的 IndustrialIT、霍尼韦尔 / Aspen / Yokogawa 之外还有数十家专门做 APC 项目实施的中小公司——这是一个几十亿美元规模、且持续运转了三十年的产业。流程行业的”先控基线”，就是这一层。
到了最近十年，最优控制的世系再往前走一步。强化学习（RL）从原来只有学术圈关注的小众分支，开始被认真当作”近似动态规划 / 无模型最优控制”来看待。Bertsekas 2019 年的教科书《Reinforcement Learning and Optimal Control》直接在书名里点明了这一身份；Sutton-Barto 2018 年第二版的《Reinforcement Learning: An Introduction》系统建立了 RL 与 Bellman 方程的形式对应。在工业控制语境下，这一脉的代表性事件就是横河电机与日本奈良先端科学技术大学院大学（NAIST）2018 年联合提出的 FKDPP（Factorial Kernel Dynamic Policy Programming）算法——它的设计目标极其聚焦：在样本极少（不能在线探索的工业现场）、安全约束极强（必须能与既有 SIS 共存）的前提下，让 RL 控制器达到能在真实装置上长周期运行的鲁棒性。2022 年 1 月 17 日至 2 月 21 日，FKDPP 在 ENEOS Materials（原 JSR）的一座蒸馏塔上连续 35 天 840 小时自主直接控制，做到了 PID 与传统 APC 都做不到、过去只能靠老师傅手动调阀的工况；该案例的工况为蒸馏塔稳态窄工况、单一单元操作，可复制性到复杂反应器、裂解炉、聚合装置仍需更多工程验证。2023 年 3 月正式商用；2024 年 2 月被进一步包装为边缘控制器的自主控制 AI 服务对外发布，目前主要面向日系本土及亚太市场。这是全球第一次有强化学习 AI 被正式工程化部署进真实工厂的直接控制环。
图 3 · 控制理论 70 年世系：从反馈到最优控制
把这条 70 年世系串起来——Wiener 1948、Bellman 1957、Kalman 1960、Pontryagin 1962、Cutler-Ramaker 1980、Sutton-Barto 2018——会发现一个对流程行业工业 AI 极其重要的事实：流程 AI 不是从零开始的。流程行业的控制堆栈，是建立在一条有 70 年数学世系、几十年工程化打磨、几千座装置上运行验证的存量之上的。任何想”把大模型放进流程工厂”的方案，要么承认并尊重这条存量、把自己定位为这条线最新一站（认知/沟通节）的能力增强，要么就是在重新发明 MPC——而后者既无必要、也极难成功。
这就引出了一个本文反复要强调的对照：
大模型住在一条独立世系上——分布式表征（1980s）→ 词向量（2013）→ 注意力机制 / Transformer（2017）→ GPT-3（2020）→ ChatGPT（2022）→ 行业大模型（2024–25）。
这条世系与控制理论世系在数学基础上几乎没有交集；它们解决的根本不是同一类问题。流程行业工业 AI 真正成熟的标志，不是把大模型这条线的最新成果简单搬进工厂，也不是用大模型替代控制理论——而是这两条平行世系在工厂里的工程对接：大模型负责把自然语言目标翻译成求解器输入、把求解器输出翻译成可读的解释、把工艺工程师的领域知识结构化为可被控制器消费的语义；最优控制这条线（含 MPC 与学习型控制）负责真正动手。前者是认知层的增强，后者是执行层的存量；各得其所，是当前技术条件下较稳健的工程分工。需要说明的是，这种分工不是因为 LLM 完全不可能贡献到控制环，而是在 AI 失效模式分析尚不成熟的前提下，工程实务的保守底线——未来轻量化、确定性、可认证的小型 AI 在控制层做更深参与，是个开放的演进方向。
从这一层视角看回离散篇的”约束智能”，就能理解为什么流程篇要把范式再升一层为”动力学智能”——离散的”约束智能”求解的是静态可行性问题（在硬约束下做组合决策），而流程的”动力学智能”求解的是动态可行性问题（在动力学方程 + 约束下做轨迹最优控制）。从数学结构上看，最优控制 min ∫ L(x, u) dt s.t. ẋ = f(x, u), g(x, u) ≤ 0 在结构上包含约束求解作为退化情形——当动力学方程退化为单步选择、目标函数退化为指示函数，最优控制就退化回约束满足。”约束智能”是”动力学智能”在不考虑时间演化时的特例。需要说明的是，这种”包含”是数学结构层面的；工程实务上，离散制造的组合优化（NP-hard 排产、资源调度）与流程制造的连续动力学最优控制属于两套独立的求解范式，各自有专门的算法体系与工程约束，不存在”一套技术替代另一套”的关系。本文的”包含”，是为了在范式层面把离散篇与流程篇的智识脉络对接起来。
图 4 · 大模型世系 × 控制理论世系 · 二者在认知与执行的对接点
三、流程制造为什么是另一种难——并且在闭环上比离散更难
本章的命题是：流程制造的难度签名与离散制造完全不同，而且在”让 AI 可信进入闭环”这把尺子上，流程的难度更高。这不是修辞，是有结构性依据的判断，由五条互相独立、彼此叠加的难点支撑。
第一是关键变量不可在线测量。流程行业最朴素也最致命的一件事是：一台反应器、一座精馏塔、一个高炉，真正决定运行好坏的变量，大多数无法直接、实时地测出来。组分、转化率、产物收率、分子量分布，这些是化学反应的本质参数，但在线分析仪要么不存在、要么贵到只能在关键节点装一台、要么响应时间以小时计；化验回路从取样到给出结果，滞后两小时到八小时是常态。炉内温度、催化剂活性、聚合物粒径分布更是几乎完全不可观——你只能从有限的边界测量去反推内部状态。
这意味着流程行业的工业 AI 一开始就是”半盲”的：输入端缺一大半决定性信息。没有可信的状态估计，后面所有的控制、优化、决策都是空中楼阁。这也是为什么”软测量”在流程行业是一等公民，而在离散世界几乎不存在这个概念。华为盘古给宝武高炉做的”炉内温度大模型”，给海螺水泥做的熟料强度预测，本质都是软测量——用可测的外部信号 + 工艺机理 + 深度学习去估计不可测的内部状态。AspenTech 把这件事叫 inferentials，横河叫动态仿真型软测量（Kubosawa-Onishi-Tsuruoka 横河-NEC 系，arXiv:2208.04373, 2022-08）。需要说明的是，软测量的方法谱系有多条——其中一脉重要的源头是 Kalman 滤波（最优状态估计），其他还包括机理推导、回归统计（PLS / PCR 等）、深度学习等；本文这条线的脉络主要从 Kalman 状态估计延伸到现代机器学习软测量，这又把我们带回到第二章那条 70 年的控制理论世系。
图 5 · 流程行业关键变量的可观测性层级
第二是强耦合、强非线性、显著时滞。流程装置的物理是密集耦合的：改一个进料温度，通过传热级联到精馏塔的塔顶塔底，通过传质级联到分离效果，通过反应动力学级联到产物分布；改一个压力，通过气液相平衡级联到所有蒸馏单元；改一个催化剂注入量，通过反应放热级联到全装置热平衡。任何”控一个看一个”的单变量直觉，在流程行业都会迅速失败；这是 MPC 在 1980 年代就用多变量约束优化框架取代单回路 PID 的根本原因。而当温度对反应速率呈指数关系、当浓度对分离效率呈非线性曲线、当管道流动有几十秒到几分钟的死时间，任何”线性近似 + 小扰动”的工程经验都要打折扣。
对工业 AI 而言，强耦合 + 强非线性 + 时滞意味着：你不能用离散世界里那种”任务 – 资源 – 时间”的图结构去描述对象，必须接受一个由微分方程刻画的、状态空间高维度的、动力学密集纠缠的物理对象。这就把模型的复杂度、数据需求、验证负担，集体抬高一个量级。
第三是不能停、不能试。这一条在离散世界几乎不存在：一台 CNC 机床可以停机、可以仿真、可以小批量试错；一条生产线可以做工程试验。流程装置完全不是这样——一座炼厂连续运行三到五年才大修一次，期间任何意外停车的经济损失是百万到千万美元级；启动和停车本身是事故高发期（BP Texas City 2005 年 3 月 23 日的爆炸就发生在异构化装置启动阶段）；在线探索性实验意味着用真实物理设备承担探索代价，这在化工、炼油、电解铝、精细化工里几乎是禁忌。
这一条对 AI 是结构性约束：不能像离散世界那样靠”打大量小工程包验证”去试错；也不能像通用 RL 那样靠”反复探索 – 利用”去收敛。横河电机 FKDPP 之所以被全球工业控制界视为里程碑，不是因为它的算法多新颖，而是因为它解决了”在样本极少、不能探索”的工业现场下让 RL 学到可用策略的工程问题——核心思想是用工艺机理与历史数据构造离线训练环境，通过领域核（factorial kernel）提高样本效率，让在线运行时只需做边界监视而不需做探索。没有这一条工程突破，RL 永远进不了真正的化工厂。
第四是安全不可逆。一台离散机床报废一个零件，损失是几百到几千元，可以丢可以返工；一座化工厂一旦反应失控，是炸药当量级的物理后果。1984 年 12 月 2–3 日，印度博帕尔联碳印度公司（Union Carbide India Limited, UCIL）农药厂的甲基异氰酸酯（MIC）泄漏短期死亡 3,787 人（印度 Madhya Pradesh 州政府确认数据），累计死亡估计 15,000 到 25,000 人，受伤约 55.8 万——这是和平时期人类历史上最严重的工业事故之一，起因是冷却失效叠加水进入了 MIC 储罐引发失控放热反应。2005 年 3 月 23 日 BP 德州城炼厂异构化装置启动期间，异构化装置的提余液分馏塔（raffinate splitter）被超量灌入易燃烃液、液位指示器量程不足、二级高液位报警失效、排放罐通过敞口排空管直接释放到大气，一辆怠速的柴油皮卡点燃了形成的蒸汽云：15 人死亡，180 人受伤，BP 累计赔偿约 25 亿美元。CSB 2007 年终报把根因定性为”BP 各级组织与安全文化缺陷”。
这两起事故定义了流程行业功能安全的基本逻辑：必须有一个独立、冗余、可被量化认证的最后防线，即安全仪表系统 SIS，由 IEC 61511 国际标准强制规范，按 SIL 1 至 SIL 4 量化所需的风险降低（PFD_avg 由 SIL 1 的 [10⁻², 10⁻¹) 一路下到 SIL 4 的 [10⁻⁵, 10⁻⁴)，对应风险降低系数 10 倍到 10 万倍）。在当前 AI 失效模式分析的成熟度与 IEC 61511 现行版本的限制下，深度神经网络与大模型基本不被允许进入 SIS 的安全执行逻辑，既因为它们的失效率根本无法被认证到 SIL 等级，也因为 SIS 必须与所有其他控制层（包括 AI）在物理、软件、数据通路上完全独立——这是防御纵深原则的硬要求。这一条是离散世界几乎没有等价物的硬约束，也是为什么本文要把”保护层 × AI 自主度授权矩阵”作为下篇的核心制高点。需要说明的是，确定性嵌入式小型机器学习（规则型 / 查表型）做 SIS 附属诊断与健康监视是另一个边界更窄的话题，不在本节”AI 进 SIS 安全执行逻辑”的判断范围内。
第五是强先控基线。流程行业的另一面是：APC、MPC、RTO 已经在装置上运行了三十年，把稳态优化、约束推动（constraint pushing）、卡边操作做得相当成熟。任何想”用 AI 替代 MPC”的方案，都要面对一个强劲的在位者——而且这个在位者在数学上是约束最优控制的工程实现，AI 没有什么数学根据能”原理上更优”。AI 真正有空间的地方，是 MPC 处理不好的边界：强非线性工况切换、牌号切换的过渡期、催化剂衰老导致的模型漂移、扰动密集的非稳态工况、机理不全的复杂单元。这意味着流程 AI 的合理定位不是”替代 APC”，而是”补 APC 的短板 + 给 APC 做更好的视图、诊断、自整定、寻优”。AspenTech 把 DMC3 与 AVA 顾问的关系做成”APC 跑控制、AI 当工程师助理”就是这个分工；中控的 TPT + UCS 强调”控制系统是 AI 执行的硬件基础”也是同一逻辑的另一种表达。
把这五条放在一起，就能回答开篇那个问题：流程制造比离散制造更难吗？我的判断是——不是同一把尺子上的”更难”，而是两类正交的难。离散在”组合决策”上更难（NP-hard 排产、多对象关系、资源竞争），流程在”动力学闭环 + 安全不可逆”上更难（连续动力学、不可观、不能试、不可逆、强基线）。如果一定要选一把尺子来比较，选”让 AI 可信地进入闭环”这把尺子，那流程制造确实更难一档——离散世界里 AI 永远不进控制环，流程行业的前沿恰恰是 AI 在极有限的格子里进入控制环，而那个格子的存在本身就是 70 年控制理论存量 + 工程门槛 + 安全标准共同决定的结果。
图 6· 离散 vs 流程 · 六维度难度对照（数值越大 = AI 落地越难）
这正是本文中段要展开的内容：全球七厂商的路线分层收敛，进环的格子极少，顾问的格子极宽，而 SIS 与 L4 永远是禁区。
四、全球领先厂商路线：分层收敛而非简单趋同
看清楚流程行业 AI 的产业全景，离散篇里”七厂商指向同一答案”的归纳并不够锋利。流程行业的情况是：七家代表性厂商各自给出的方案，表面上各异，骨子里收敛到一个清晰的分工结构——生成式 AI / LLM 留在顾问、副驾、工程、根因这些上层；进入控制环的智能，走的是强化学习、深度学习预测控制、时序基础模型这一系学习型最优控制路线，而不是 LLM。这一收敛，比”指向同一答案”更精确，也更有产业指导意义。
横河电机是目前唯一公开记录、把 RL 正式工程化进入流程装置 BPCS 层的厂商。前面几次提到的 FKDPP——Factorial Kernel Dynamic Policy Programming，横河与日本奈良先端科学技术大学院大学（NAIST）2018 年联合开发——在 2022 年 1 月 17 日到 2 月 21 日的 35 天（840 小时）里，直接控制了 ENEOS Materials（原 JSR）一座蒸馏塔上 PID 与传统 APC 都做不到、过去只能靠老师傅手动调阀的工况；2023 年 3 月 30 日横河宣布该 AI 控制器商业化部署；2024 年 2 月把这套能力封装成边缘控制器自主控制 AI 服务对外发布。这是迄今为止全球已公开记录的、在 BPCS 层用 L3 自主度（有界自主）持续运行的代表性 RL AI 案例。需要说明的是，该案例的工况是蒸馏塔稳态窄工况、单一单元操作，复制到复杂反应器、裂解炉、聚合装置等更复杂场景仍需进一步工程验证；商业化目前主要在日系与亚太市场。在我们后面要展开的”保护层 × AI 自主度授权矩阵”里，它独占 BPCS × L3 那一格。
AspenTech 走的是另一条更广更深的路线：混合模型（Hybrid Models）+ 嵌入深度学习的 DMC3 自适应 APC + LLM 顾问 AVA + 软测量 + Mtell 预测性维护。它的产业逻辑是把第一性原理、领域知识、AI 三者在一个”混合模型”框架里同时使用；DMC3 在 APC 层直接吃这个混合模型做自适应预测控制——澳洲 Qenos 乙烯装置脱甲烷塔改造后冷端通量提升 5–10%、塔顶甲烷波动下降 40%、塔压差下降 20%；拉美最大石化、北美聚丙烯产能第一的 Braskem 在 2 周内完成 DMC3 部署，能耗下降 20%、产量提升、波动降低；ExxonMobil 用自有 APC 团队结合 DMC3，把部署周期从 6 个月压缩到 6 周；中国大陆方面，恒力石化（大连）也在炼化一体化装置上跑 DMC3。生成式顾问 AVA 则被严格限定在”给操作员和 APC 工程师解释模型为什么这么提建议”的层面，不替代任何控制器做决策。
Emerson 与 AspenTech 的关系本身，也是产业格局的一个关键变量。2022 年 5 月 16 日，Emerson 与 AspenTech 完成合并：Emerson 出资 60 亿美元现金，并注入 OSI Inc. 和 Geological Simulation Software 业务，换取新 AspenTech 55% 股权（原股东保留 45%），公司继续以 AspenTech 名义在纳斯达克 AZPN 上市运营。需要说明的是，截至 2026 年，AspenTech 的机理仿真、DMC3 与 Emerson 的 DCS、DeltaV 仍是相对独立的产品线，整合是渐进过程而非已经完成的事实。Emerson 在 2025 年 5 月圣安东尼奥 Emerson Exchange 大会上发布的 Project Beyond，是业界首个软件定义、OT-ready 的 AI 应用与模型平台；同一场大会上，Emerson 明确表态：公共生成式 AI 不安全、不可靠，不适用于高可用关键任务——这句话出自一家把 AI、APC、DCS、混合模型整合到同一栈里的产业龙头之口，等于给本文主线”LLM 不进闭环”提供了较权威的产业背书。
Honeywell 的路线则更偏操作员副驾。其 Forge Production Intelligence 在 2025 年 2 月 11 日发布的 Intelligent Assistant、Experion Operations Assistant、Field Process Knowledge System，都是围绕”操作员日常工作辅助 + 生产数据问答 + 知识库检索”这套场景做的；2024 年 10 月与雪佛龙（Chevron）公布的炼油 AI 合作，也是同一定位。Honeywell 没有把 LLM 推进控制环的明确动作，但 Profit Controller 等老牌 APC 产品线持续在自动化层做迭代。
Schneider 与 AVEVA 的组合是又一个值得关注的路径。Schneider 主推的 EcoStruxure Automation Expert 基于 IEC 61499 软件定义自动化，把”控制逻辑可移植”作为新一代自动化的底座；AVEVA Industrial AI Assistant 则是面向操作员的 copilot——它有一个特别的能力被业界称为”专利级知识链接”，把时序数据与文档知识做关联，让操作员在追问”为什么 X 偏离”时，AI 能跨越时序数据库与工艺文档之间的鸿沟做结构化检索。AVEVA 与 Databricks 还合作搭了一套跨云的工业 AI 工作空间。这条路径的逻辑是：用知识图谱与跨源链接，把上层语义打通；控制层维持现有 DCS + APC 不动。
Siemens 的两个核心产品也是顾问性质：Engineering Copilot for TIA Portal 帮工程师写 PLC 代码与工程组态，Insights Hub Production Co-pilot 做根因分析与生产问答；2025 年汉诺威 SPS 展上，TotalEnergies Gas Mobility 用 Microsoft Copilot Studio 在 Insights Hub 上做对话式生产分析的案例被反复展示。Siemens 的姿态非常清晰：把 GenAI 放在工程与根因层，把 PLC / DCS / SIMATIC 控制系统留给确定性代码与传统 MPC。
国内厂商方面，中控技术与华为云形成一个有意思的格局。以下案例数据均为厂商公开口径，部分缺少独立第三方审计，引用时需保留这一注意。中控自 2024 年宣布”All in AI”战略以来，围绕”1+2+N”架构发布 TPT 1.0 时序大模型；2025 年 8 月 28 日升级为 TPT 2（厂商定位为”全球首个深度契合流程工业第一性原理的可信模型”，对厂商措辞我们做保守化引用），当日获 518 家合作意向、成交 112 套系统、注册用户 3,268 名；2025 年前三季度 TPT 业务收入 1.54 亿元、软件 ARR 7,691.35 万元（中控技术三季报披露口径）；2025 年 9 月 28 日与兴发集团、湖北三宁主办”工业具身智能 TPT+UCS 落地应用成果展示大会”——需说明的是，中控在此使用的”工业具身智能”是商用概念，与机器人/具身智能领域的学术定义并不完全对齐，本文沿用厂商措辞但保留这一辨析。客户名单包含中石化镇海炼化、万华化学。中控的产业洞察值得引用：控制系统是 AI 执行的硬件基础——谁拥有控制系统，谁就更容易把闭环收口到执行——这是流程行业与离散行业一个重要的结构性差异。
华为云盘古预测大模型走的是另一条路：软测量 + 工艺寻优。海螺水泥 M-MoE 熟料强度预测大模型用 100 多家厂的全部生产数据预训练，全厂区准确率 85% 以上；宝武高炉破解”炉内温度不可测”的世界级难题，单炉日省燃料 20 吨；中铝坤安大模型让云南铝业的电解铝效率提升 25%、年省电 2,600 万度；中石化在建勘探开发 + 炼油化工双行业大模型，覆盖 6 域 20 场景。盘古的定位非常聚焦——做大型工业的”软测量 + 寻优引擎”，不进控制环，也不和 DCS 厂商正面竞争。
图 7 · 七厂商代表产品与矩阵落格
把这七家放回授权矩阵里看，收敛规律一目了然：横河独占 BPCS × L3 这一格（目前已公开记录的代表性案例）；AspenTech 与中控同居 APC × L3（DMC3 与 TPT+UCS）；华为聚焦 RTO × L1（寻优）；AspenTech AVA、AVEVA、Honeywell、Siemens 集中在 APC × L1 与报警 × L1（顾问 / 副驾层）；目前还没有厂商把 LLM 放进 SIS，也没有任何一家声称达到 L4 自主。换句话说，”分层收敛”不是巧合，而是流程行业的物理约束（动力学 + 安全 + 强基线）在当前技术条件下共同决定的产业结构均衡。这种均衡在未来几年大概率会稳定下来；具体厂商在各格子里的份额，会随产品迭代继续变化。
图 8· 七厂商在保护层 × AI 自主度授权矩阵上的落地区域
五、为什么流程 AI 经常”跑起来却不可信”
前一章梳理了七厂商的产业格局，但工业 AI 项目实际落地时面对的另一面，是”跑起来却不可信”的高失败率。麦肯锡 2025 年 11 月《The State of AI in 2025: Agents, Innovation, and Transformation》给出的数字相当严峻：截至 2025 年底约 88–90% 的组织已在至少一个业务职能部署 AI，但 94% 的受访者报告未看到显著的财务回报；约 1/3 实现企业级规模化，2/3 困在所谓的”试点炼狱（pilot purgatory）”。需要说明的是，这份报告是面向通用企业 AI 的统计，流程工业 AI 的 ROI 维度（降能耗、提收率、减人工、降故障）与通用 AI 不完全一致，直接套用通用 AI 报告做严谨论证的力度有限——但行业整体观察是：流程行业 AI 的试点到规模化鸿沟，至少不会比通用更小。
把离散篇的”五个跑起来却不可信”的诊断框架放到流程行业，会发现：病因相似，形态完全不同；而且每条病因到了流程世界都被放大一档。
第一条是不可测变量没补上。这正是第三章第一难点的另一面——AI 项目方往往沉迷于”用更大的模型、更多的算力”，而完全忽视一个朴素的工程现实：模型的输入端有一半决定性变量根本没有可信的实时值。组分靠 8 小时滞后的化验、转化率靠物料平衡反推、炉温靠经验估算。一个连状态都估不准的”智能优化”，无论包装多漂亮，工程师都不敢上工。任何流程 AI 项目，要么在第一周就把软测量做透，要么就准备好停在试点阶段。
第二条是上下文里没有机理。这是 LLM 类方案最常见的坑。把 LLM 接到 historian 上做”工艺问答”，问”为什么乙烯收率下降”，模型会用维基百科级的通用知识做回答——”可能是温度、压力或原料组成的变化”——这种回答在工艺工程师听来就是噪音。流程行业的真正答案藏在装置的机理、催化剂的老化曲线、原料的批次差异、热集成的耦合路径里，而这些都不在 LLM 的预训练语料里。没有把工艺机理结构化注入 RAG 或工具调用层的 LLM，在流程现场就是一个礼貌的废物。
第三条是约束没有显式化为操作包络。流程装置每个回路都有明确的可运行边界：SP 上下限、变化速率上限、压力 / 温度 / 流量的联锁阈值。一个”AI 优化建议”如果不在这些边界内提出，操作员会立刻一票否决——而且 99% 的情况下他们是对的。这条问题的工程表现是：AI 项目方写代码时把约束当成”加权惩罚项”软处理，而工艺安全工程师视角下约束是硬墙、不可商量。两套思维不接通，AI 就跑不进现场。
第四条是没有物理保真的验证空间。这是流程比离散更难的一处——离散世界可以靠仿真 + 回放反复试错，但流程的”数字孪生”如果不保真到能替代真实探索，AI 就没有训练和验证的安全场所。横河 FKDPP 之所以能在 ENEOS Materials 进环，前提是有一套基于第一性原理 + 历史数据的高保真训练环境，让 RL 在离线就把绝大多数策略路径都跑过一遍。大多数所谓的”工业数字孪生”只到三维可视化，没到动力学保真——这种孪生对 AI 训练几乎没用。
第五条是没有责任与安全闭环。这一条在离散行业是软约束（出错可以返工），到了流程行业是硬约束（出错可能爆炸）。当 AI 提出一个建议导致工艺事故，责任在 AI 厂商、工厂、工艺工程师、还是操作员？合同里有没有写？事故调查 CSB / 国家应急管理部 / 业主三方能不能基于审计日志重放 AI 的决策路径？SIS 是不是真的与 AI 完全独立？这些问题在动笔之前必须有答案——否则法务、安全、保险三方都会把项目卡死。
把这五条放回学术界的最新表述，ACS 旗下《Chemical Health & Safety》2026 年 3 月发表的一篇评述给出了同样直接的判断：在化工过程安全语境下，LLM 不是神谕，而是被刻意约束和接地的推理-沟通层（”deliberately constrained and grounded reasoning-and-communication layer”）。这句话几乎把本文主线和盘托出——LLM 的位置在认知与沟通，不在控制与执行；约束和接地是它能进工厂的前提，而不是装饰。
图 9 · 流程 AI 失败模式分类树 · 5 条独立根因
六、流程工业 AI 六层落地架构
到这里我们可以收回主线：流程行业的工业 AI 应该如何架构？这是一个需要回应离散篇六层架构的问题——离散给出的六层框架（数据底座 → 增强数据注册表 → 工业本体 → 约束与仿真 → Agent 编排 → 治理闭环）骨架可以保留，但其中第四层和第六层必须做实质性改写。原因前面几章已经铺垫充分：流程的”确定性引擎”不是约束求解器，而是机理 / 混合模型 + APC / MPC；流程的治理层不仅有 IT 安全，更有 IEC 61511 强制规范的功能安全独立保护层。
图 10 · 流程工业 AI 六层落地架构
第一层· 工业数据底座。在离散六层基础上，流程行业需要明确把高频时序历史数据库（PI、AVEVA Historian、aspenONE InfoPlus.21）作为数据基础设施核心——而不是关系数据库或数据湖；把 DCS / SCADA / PLC 的实时通道、LIMS 化验数据（含明确的滞后语义标注）、软测量计算结果（作为一等公民而非附属计算）都纳入数据底座；按 ISA-95 / IEC 62264 做企业-控制集成的对齐。这一层的核心要求不是”数据多”，而是”数据有质量标签、有时间精度、有滞后语义”。
第二层· 增强数据注册表。流程语境下，注册表里要登记的不只是数据点和单位，更要登记每个变量在不同工况、不同牌号、不同开停车阶段下的”语义版本”：催化剂初装期 vs 末期，A 牌号 vs B 牌号的进料配比，正常运行 vs 启停车的报警阈值差异。还要登记每个回路的操作包络——可运行 SP 范围、最大变化速率、联锁触发阈值。这些”元数据”是后续 AI 调用机理模型、设置优化约束、做漂移监测的依据。
第三层· 工业本体论。离散的本体是”对象-关系图”（设备 / 工单 / 物料 / 工序的组合关系），流程的本体则是”流程图拓扑 + 物料能量平衡”。要编码的是：装置之间的物流、能流、信息流；每个单元操作的工艺包（反应器、精馏塔、换热器、分离器、压缩机）；P&ID 的图结构；工艺路径之间的耦合（哪个塔的塔釜热源来自哪个反应器的副产蒸汽）；工况之间的转换语义（怎样从启动模式过渡到正常生产模式）。流程本体的强工程门槛在于：它必须与 OPC UA、ISA-95 资产模型、AspenTech / AVEVA / Honeywell 的工程平台模型保持一致——否则上层 AI 无法跨厂复用。
第四层是这个架构的真正枢纽，也是流程篇与离散篇分歧最大的一层：机理-数据混合模型 + 动态仿真 + 先进控制层。这一层是流程行业的”确定性引擎”，承担三件事：
其一，物理保真的状态估计与预测（mix 第一性原理 + PINN + 深度学习软测量，给上层 AI 提供可信输入）；
其二，约束最优控制的实际执行（APC / MPC / RTO，承担稳态优化与卡边操作）；
其三，动态仿真（数字孪生的物理内核，给 AI 提供训练与验证空间）。这一层的产业代表是 AspenTech Hybrid Models、gPROMS、中控 TPT、以及学术界 Raissi-Perdikaris-Karniadakis (2019, J. Comput. Phys.) 一脉的 PINN。
在这一层内部，模型有三种形态：白盒（纯第一性原理，可解释、可外推、但机理不全的地方失效）、灰盒（机理结构 + 数据参数，PINN 与 AspenTech Hybrid Models 是典型）、黑盒（纯数据驱动，建模快但不可外推不可解释）。需要说明的是，这三种形态各有适用场景：成熟工艺单元（常压蒸馏、普通换热）的纯白盒机理模型在精度、可靠性、外推性上仍属主流；极端复杂、机理缺失的小众精细化工单元，纯黑盒数据模型仍可能是合理选择。本文推荐灰盒为流程 AI 主战场，是指”机理与数据都不完全充分”这一最普遍的工程场景，并不否定其他两类的价值。这条灰盒路线在 Kubosawa-Onishi-Tsuruoka (arXiv:2208.04373, 2022-08, 横河-NEC 系) 和丹麦科技大学 Liang-Groll-Sin (arXiv:2601.11650, 2026-01) 两篇代表性论文里都有清晰的方法论表述。
图 11 · 白盒 · 灰盒 · 黑盒模型分工
LLM 在第四层只做一件事：自然语言与求解器之间的双向翻译。把工艺工程师”我想知道下个班怎么调温度让能耗降 3% 而保持收率”翻译成 RTO / MPC 求解器的目标函数与约束；把求解器输出的 SP 建议翻译回工程师可读的自然语言并解释为什么——”因为塔顶气相分率达到了硬约束，进一步降温会触发液泛”。LLM 通常不进求解器内部，不替代确定性运算。丹麦科技大学 Liang-Groll-Sin (arXiv:2601.11650, 2026-01) 给出的 LLM Agent + MCP + AVEVA Process Simulation 架构就是这种分工的范本。
第五层· Agent 编排层。流程版的 Agent 流水线大致是：软测量（L1 输入端的状态估计）→ 异常识别（基于残差或时序模式）→ 因果根因分析（LLM 用工艺本体做关联）→ 优化建议（机理 + 数据混合模型寻优）→ 操作建议（LLM 把求解器输出翻译成可执行操作）→ 操作员审批（必经的人在环）→ DCS 下装（经审批后由控制系统执行）。这条流水线最关键的设计原则是：LLM 守认知与沟通层（前 5 步主要由 LLM 协调），学习型控制守闭环（最后 2 步动手由人 + 控制系统执行）。任何想”让 LLM 直接下装到 DCS”的方案，本质都是绕过了这条边界，工程上会被立刻挡回。
图 12 · 流程 AI Agent 编排层流水线
第六层· 治理闭环 + 功能安全独立保护层。这一层是离散篇没有充分展开的，但在流程行业是不可或缺的硬层。它由四个不可妥协的要素组成：其一，IEC 61511 / IEC 61508 / SIS 安全仪表系统作为独立保护层，与 AI 在物理、软件、数据通路上完全切断；其二，按 CCPS LOPA 的层级模型把 AI 的每个动作映射到对应的保护层，明确 AI 在每层的允许自主度；其三，把 MOC（Management of Change）流程扩展到 AI 模型——每次模型更新都要走与工艺变更同等强度的审批与文档；其四，按 ISA-18.2 做报警治理与操作员响应规范，把 AI 在报警层的建议与人工干预协调起来。这一层在视觉上像是架构的”顶”，但功能上是穿透所有其他层的”硬层”——它的红线不能被任何上面的层穿透。
这六层架构是一个可工程化、可审计、可与既有 70 年控制理论存量协同的框架。它不是要重造工业自动化，而是要让现代 AI 的能力安全有效地嵌入这套已经成熟的基础设施。把这套架构与上一章的”分层收敛”产业图景对照看，会发现：横河 FKDPP 在 L4 + L5 的边界做学习型控制；AspenTech DMC3 在 L4 做混合模型 APC、AVA 在 L5 做 LLM 顾问；中控 TPT + UCS 跨越 L4 与 L5；华为盘古在 L4 的软测量与 L5 的优化建议；Honeywell / AVEVA / Siemens 的几个 copilot 类产品在 L5 + 部分 L4 的工程层。把每个厂商落到这六层里，就清楚了产业格局背后的工程逻辑。
下篇的核心制高点——保护层 × AI 自主度授权矩阵——就建立在第六层之上：把 IEC 61511 / LOPA 的保护层结构与 AI 智能体的自主度分级正式焊接，给出一张可逐格审计的二维授权图，回答每一个工程师都在问的那个根本问题：AI 在这一层、这一刻，被允许做到哪一步。
上篇结语· 从信息到动力，从概率到约束到动力学
上篇到这里告一段落。我们沿着一条清晰的范式弧线走完了六个章节：从大模型住的信息世界，到流程世界住的连续动力学；从 Wiener 的反馈控制论，再深一层到 Bellman / Pontryagin / Kalman / Cutler 直到 FKDPP 的最优控制世系；从离散的”约束智能”，进到流程的”动力学智能”——这条范式弧线的每一步都建立在 70 年成熟工程之上，不是颠覆，而是在巨人肩上接力。
我们看见流程行业的难度签名与离散完全不同：不可测变量、强耦合时滞、不能试错、安全不可逆、强先控基线五条独立约束共同决定了流程 AI 的难度结构。我们看见全球七厂商的路线分层收敛——LLM 守顾问层，学习型控制守 L3 闭环，SIS 永远是 AI 禁区。我们看见流程 AI 的六层落地架构如何把机理、数据、AI、安全焊接在一起。
下篇会展开真正的制高点：保护层× AI 自主度授权矩阵——把 IEC 61511 / LOPA 的保护层逻辑与 AI 自主度分级正式焊接，回答”AI 在每一格被允许做到哪一步”这个产业最痛的问题。一并展开的，是流程 AI 的优先落地场景、从试点到规模化的三阶段路线、组织能力重构、对厂商的战略启示、十条落地标准与 90 日实践路线。